論文の概要: Cross-Organizational SysML Model Integration: A Survey of Challenges and AI-Supported Tasks

• arxiv url: http://arxiv.org/abs/2609.37000v1
• Date: Tue, 29 Sep 2026 08:29:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.319256
• Title: Cross-Organizational SysML Model Integration: A Survey of Challenges and AI-Supported Tasks
• Title（参考訳）: 組織横断型SysMLモデル統合 - 課題とAI対応タスクの調査
• Abstract要約: 本稿では,モデルベースシステム工学(MBSE)の利害関係者29名を対象に,オンラインアンケートの結果を報告する。 その結果、ステークホルダーはモデル統合をセマンティクス、振る舞い、トレーサビリティ、交換の相互運用性にまたがる多次元アライメント問題として捉えていることがわかった。 これらの発見は、SysMLベースの統合におけるエンジニアリングの責任を置き換えるのではなく、AIサポートを強化する動機となっている。
• 参考スコア（独自算出の注目度）: 6.9381184588642535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-organizational collaboration is widely regarded as a key promise of SysML-based Model-Based Systems Engineering (MBSE), yet practitioners still face persistent challenges when exchanging and integrating system models. In parallel, Large Language Models (LLMs) raise expectations for AI-assisted model understanding and integration, while reliability and required human oversight continue to pose challenges. This paper reports the results of an online questionnaire survey with 29 MBSE stakeholders involved in cross-organizational collaboration. Respondents rated eight predefined integration challenge categories and six AI-supported task types on five-point Likert scales. The results indicate that stakeholders perceive model integration as a multi-dimensional alignment problem across semantics, behavior, traceability, and exchange interoperability. These perceptions vary by organizational role and frequency of integration involvement. AI is rated highly useful for analysis tasks such as semantic structure analysis and inconsistency detection, and respondents predominantly prefer human-in-the-loop use with mandatory verification. These findings motivate AI support that enhances, rather than replaces, engineering responsibility in SysML-based integration.
• Abstract（参考訳）: 組織間のコラボレーションは、SysMLベースのモデルベースシステムエンジニアリング(MBSE)の重要な約束であると見なされている。 並行して、Large Language Models(LLMs)はAIによるモデル理解と統合に対する期待を高め、信頼性と人的監視が課題を呈し続けている。 本報告では,組織間コラボレーションに携わる29名のMBSE利害関係者を対象に,オンラインアンケートの結果を報告する。 回答者は、5ポイントのLikertスケールで8つの事前定義された統合課題カテゴリと6つのAIサポートタスクタイプを評価した。 その結果、利害関係者はモデル統合をセマンティクス、行動、トレーサビリティ、交換の相互運用性にまたがる多次元アライメント問題として捉えていることがわかった。 これらの認識は、組織の役割と統合の頻度によって異なる。 AIはセマンティック構造解析や不整合検出などの分析タスクに非常に有用であり、回答者は主に、強制的な検証を伴うループ内使用を好んでいる。 これらの発見は、SysMLベースの統合におけるエンジニアリングの責任を置き換えるのではなく、AIサポートを強化する動機となっている。

関連論文リスト

• Beyond Individual Intelligence: Surveying Collaboration, Failure Attribution, and Self-Evolution in LLM-based Multi-Agent Systems [65.90791804095561]
  マルチエージェントシステムは、特殊エージェント間の構造化された協調を通じてこの問題に対処するが、より厳密な調整は、あまり検討されていないリスクを増幅する。 既存の調査では、個々のエージェント能力、マルチエージェントのコラボレーション、エージェントの自己進化を別々にカバーしている。 この調査は4つの因果関係のあるステージを中心にまとめられた統一されたレビューを提供する。これはLIFEの進展(Lay the capabilities foundation)、協力によるエージェントの統合、帰属による障害の発見、自律的な自己改善によるEvolveである。
  論文  参考訳（メタデータ） (2026-05-14T14:36:13Z)
• Pitfalls in Evaluating Interpretability Agents [91.49742416116635]
  我々は,実験を反復的に設計し,仮説を洗練するエージェントシステムを構築した。 我々の研究は、複雑な自動解釈可能性システムを評価する上での根本的な課題を実証している。
  論文  参考訳（メタデータ） (2026-03-20T16:27:17Z)
• A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
  この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。 本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
  論文  参考訳（メタデータ） (2025-10-10T06:56:50Z)
• Intelligent Assistants for the Semiconductor Failure Analysis with LLM-Based Planning Agents [1.2693545159861859]
  失敗分析(FA)は、非常に複雑で知識集約的なプロセスである。 FAラボの計算インフラにおけるAIコンポーネントの統合は、さまざまなタスクを自動化する可能性がある。 本稿では,Large Language Model (LLM)-based Planning Agent (LPA) を用いた半導体FAのためのエージェントAIシステムの設計と実装について検討する。
  論文  参考訳（メタデータ） (2025-06-18T15:43:10Z)
• From Standalone LLMs to Integrated Intelligence: A Survey of Compound Al Systems [6.284317913684068]
  複合アルシステム(CAIS)は、大規模な言語モデル(LLM)をレトリバー、エージェント、ツール、オーケストレータといった外部コンポーネントと統合する新興パラダイムである。 学術と産業の両方で採用が増加しているにもかかわらず、CAISの景観は断片化され、分析、分類、評価のための統一された枠組みが欠如している。 本調査は,次世代のシステムレベルの人工知能を理解し,開発し,推進するための総合的な基盤を研究者や実践者に提供することを目的とする。
  論文  参考訳（メタデータ） (2025-06-05T02:34:43Z)
• Fine-Grained Appropriate Reliance: Human-AI Collaboration with a Multi-Step Transparent Decision Workflow for Complex Task Decomposition [14.413413322901409]
  本稿では,MST(Multi-Step Transparent)決定ワークフローがユーザ依存行動に与える影響について検討する。 MST決定ワークフローとの人間とAIのコラボレーションは、特定の文脈におけるワンステップのコラボレーションよりも優れていることを示す。 私たちの研究は、最適な人間とAIのコラボレーションを得るのに役立つ、オールサイズの意思決定ワークフローが存在しないことを強調しています。
  論文  参考訳（メタデータ） (2025-01-19T01:03:09Z)
• Investigating the Role of Instruction Variety and Task Difficulty in Robotic Manipulation Tasks [50.75902473813379]
  本研究は、そのようなモデルの一般化能力における命令と入力の役割を体系的に検証する包括的評価フレームワークを導入する。 提案フレームワークは,極度の命令摂動に対するマルチモーダルモデルのレジリエンスと,観測的変化に対する脆弱性を明らかにする。
  論文  参考訳（メタデータ） (2024-07-04T14:36:49Z)
• A Survey on Human-AI Collaboration with Large Foundation Models [11.837685062760132]
  HAI(Human-AI:Human-AI)コラボレーションは、問題解決と意思決定のプロセスを進める上で重要である。 LFM(Large Foundation Models)の出現は、前例のない機能を提供し、その可能性を大きく拡大した。 本稿では, LFMとHAIの重要統合を概観し, 可能性とリスクの両面に注目した。
  論文  参考訳（メタデータ） (2024-03-07T22:37:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。